随着Internet的快速发展,越来越多的人们在网络上搜索需要的信息。然而,在互联网上,几乎所有的网页都包含着与主题无关的噪音信息,比如广告条、导航栏等。它们严重影响着搜索引擎的检索结果,因此网页信息抽取技术应运而生。在众多的网页信息抽取方法中,基于页面结构分析的方法,更有助于对网页的理解,所以成为研究的热点。介绍了网页信息抽取技术的发展、原理和相关技术,深入讨论了页面结构分析方法在网页信息抽取中的重要作用。研究了现有的页面结构分析技术,针对其存在的缺乏语义特征的问题,采取同时提取网页空间特征和文本特征的方法,并提出了一种综合视觉特征和语义特征的相似度算法,提高了网页信息抽取的准确率。针对现有网页信息抽取方法忽略视觉特征、识别知识模糊的问题,在利用视觉特征进行网页分块的基础上,提取了各个数据块的12个特征,形成特征向量,利用综合相似度算法计算数据块的距离。由于数据块语义分散,因此采用聚类算法将相似语义和结构的数据块聚集到一起,然后通过视觉特征抽取主题信息,有效地克服了现有方法识别知识模糊的问题。最后,将本文抽取方法与另一种网页信息抽取方法进行了比较,并将两种方法的抽取结果应用于k-最近邻网页分类器。实验表明,本文方法能够更有效地抽取网页主题信息,具有更高的分类准确率。